fb
IT Systems 1-2/2022 Plánování a řízení výroby AI a Business Intelligence 16. 3. 2022 8:28

Cesta průmyslu od automatizace k autonomii

Zavádění procesu autonomní výroby vyžaduje holistický přístup

Zavedení umělé inteligence do výroby často selhává při přechodu od zkušebního provozu k tomu běžnému. Vyhnout se tomu lze pouze holistickým přístupem, který zohledňuje celé spektrum obchodních, technických a organizačních souvislostí.

Představme si modelový příklad společnosti zabývající se obráběním kovů. Její výroba je vysoce automatizovaná. Skladový systém umí perfektně vydávat požadované množství plechů, dopravní systémy je podávají přímo do řezacích a vysekávacích strojů, nebo lisů či svařovacích systémů a po každém kroku zpracování probíhá kontrola kvality. Jde o běžný stav společnosti, používající ve výrobě automatizační procesy. Přesto se tato automatizace založená na pravidlech stává stále větším problémem. V posledních několika letech se totiž výroba této kovoobráběcí společnosti zmenšovala a zmenšovala, a to z důvodu změny poptávky, a také kvůli výpadkům dodavatelských řetězců. Proto každý nový díl, který měl být vyroben, vyžadoval nový start výrobní linky, a pro každý procesní krok musely být stanoveny a otestovány nové parametry. To vedlo ke snížení produktivity automatizace a snížení celkové efektivity zařízení (OEE).

Obr. 1: Příklad automatizace založené na pravidlech v kovodělném průmyslu
Obr. 1: Příklad automatizace založené na pravidlech v kovodělném průmyslu

Na tyto scénáře ovšem bylo myšleno už když vznikal koncept Průmyslu 4.0. Proto byly definovány hlavní principy autonomních a samoorganizujících se výrobních systémů – které by umožnily dosahovat efektivní hromadné výroby i při výrobě jediné šarže. Hybatelem tohoto způsobu výroby je umělá inteligence (AI) . Ta totiž v případě automatizace založené na pravidlech počítá s možností změn a je schopna autonomně vyvozovat závěry z nasbíraných dat a dat získaných v reálném čase, aby mohla adekvátně, přesně a rychle reagovat na neplánované události.

Společnosti podceňují systematické výzvy AI

Po několika letech a velkém množství vypracovaných analýz se zdá, že tento přístup je poněkud deziluzivní. Zatímco proces zavádění umělé inteligence v ostatních odvětvích stále roste, stav umělé inteligence v roce 2021 ve výrobě byl stále daleko pozadu (viz analýza společnosti McKinsey State of AI in 2021). Hlavním důvodem je to, že velké množství projektů plánující využití umělou inteligenci skončí v testovací fázi, tedy Proof of Conceptem (PoC). Příčiny selhání prototypu, který má názorně demonstrovat aplikovatelnost řešení v reálném světě a jeho finanční udržitelnost, jsou hlubší než například nedostatek odborných znalostí nebo rozpočtu – výrobní společnosti v mnoha případech podceňují systematické výzvy při zavádění umělé inteligence do života.

Způsob, jakým jsou PoC nastaveny, jsou toho pouze příznakem. Obvykle totiž probíhají v chráněném prostředí a jsou zaměřeny na aplikaci a trénování modelů AI s daty – často je však opomíjena potřeba integrovat řešení AI do stávající informační a výrobní technologie a jejích procesů. To zahrnuje například správu životního cyklu aplikací a dat, zabezpečení, provozní plánování a kontrolní procesy či provozní bezpečnost. V důsledku toho PoC neposkytuje seriózní důkaz o technické proveditelnosti a ani jej nelze použít k výpočtu solidního byznys modelu.

Holistický přístup k zavádění AI

Jakkoli to může znít divně, zavedení umělé inteligence do výroby může být úspěšné pouze s holistickým přístupem. PoC by mělo být pouze na špičce ledovce – výsledkem řady základních rozhodnutí a projektů, kde jsou iniciativy odvozeny od strategií, které jsou implementovány prostřednictvím technických, organizačních a transformačních aktivit.

Obr. 2: Holistický přístup k zavádění AI zahrnuje řadu rozhodnutí (iniciativ) a projektů (aktivit), které jsou odvozeny od hlavních strategií podniku
Obr. 2: Holistický přístup k zavádění AI zahrnuje řadu rozhodnutí (iniciativ) a projektů (aktivit), které jsou odvozeny od hlavních strategií podniku

Holistický přístup k zavádění AI do výroby musí mimo jiné počítat s následující aspekty:

1. Tvorba hodnoty (analýza přínosů a nákladů)

Přidaná hodnota při používání AI je vytvářena prostřednictvím informací, náhledů a (autonomních) akcí a procesů z nich odvozených. Základem jsou dostupná data – data se však nemusí nutně stát užitečnými informacemi pouze při použití umělé inteligence. Stávají se jimi pouze tehdy, jsou-li zpracovávány v konkrétním kontextu a za konkrétním účelem. Analýza tvorby hodnoty na jedné straně hodnotí přínosy informací získaných pomocí AI, na druhé straně určuje kvalitu dat a náročnost na pořízení a zpracování dat a s tím spojené investice do operativní výroby – včetně procesních, technologických a personálních nákladů. Výsledkem je obchodní model.

2. Proces (vývoj a životní cyklus aplikace AI)

Pokud hodnotová analýza dospěje k pozitivnímu výsledku, začíná vývoj a zavádění AI. To by se mělo řídit filozofií DevOps, ve které spolupracují všechny relevantní týmy z výroby a provozu s odborníky na AI a IT (v kontextu s AI se tomu také říká MLOps a DataOps). Tím je zajištěno, že integrace do IT a výrobních procesů je zohledněna hned od začátku. Návrh řešení nejprve definuje metodu AI a software, který se má použít, a také data pro trénování.

Obr. 3: Životní cyklus aplikace AI
Obr. 3: Životní cyklus aplikace AI

3. Architektura (oddělení dat od aplikací)

Popsané procesy probíhají v IT a výrobních prostředích, která jsou v mnoha společnostech značně fragmentovaná – to znamená, že neexistuje nepřetržitý přístup k nástrojům a datům, procesy se neshodují, chybí standardy a integrované bezpečnostní koncepty. Takové prostředí je smrtící pro jakoukoliv implementaci AI. Proto základem řešení tohoto problému je zavedení datově orientované architektury. Ve svém jádru odděluje data od aplikací, které je generují, jejich směřováním přes centrální datový rozbočovač. Každá aplikace funguje jako producent dat pro datový hub, každý dotaz je spotřebitelem rozsáhlé distribuované databáze. To vše je zakomponováno do zastřešujícího rámce pro správu dat.

4. Kompetence (mezioborová spolupráce)

V mnoha případech jsou PoC nastaveny příliš jednodimenzionálně, protože je provádějí specialisté na data, kteří rozumí datům a modelům, ale už méně systémové architektuře a IT procesům. Úspěšné zavedení AI však vyžaduje správnou kombinaci dovedností z různých oddělení, aby bylo možné naplánovat, vyvinout, zavést a uvést do provozu samotnou aplikaci a její integraci do IT a výrobních procesů. Typický tým se skládá z následujících rolí, které mohou zastat zaměstnanci, nebo poskytovatele služeb:

  • obchodní analytici pro hodnocení přidané hodnoty a nákladů;
  • datoví specialisté pro hodnocení procesu, přípravu dat a modelový výcvik;
  • specialisté na strojové učení, kteří jsou schopni budovat neuronové sítě;
  • datoví inženýři pro plánování a nastavení datového kanálu a zpracování dat;
  • softwaroví inženýři, kteří zajišťují integraci v distribuovaném prostředí;
  • a nakonec projektový manažer.

Přechod od automatizace k autonomii

Dobrou zprávou je, že již existují firmy, které pracují na přechodu svých výrobních linek od automatizace k autonomii. Opět si to ukažme na příkladu firmy z úvodu článku věnující se obrábění kovů. Tato společnost začala svou automatizaci založenou na pravidlech doplňovat metodami AI a postupně zapojuje jednotlivá provozní stanoviště do systému flexibilně ovladatelných pracovišť. Ta jsou schopna zpracovávat různé objednávky současně a jejich konfigurace probíhá autonomně a ideálně bez zkušebního provozu.

Obr. 4: Flexibilní, autonomní výrobní proces v kovodělném průmyslu
Obr. 4: Flexibilní, autonomní výrobní proces v kovodělném průmyslu

Z tohoto důvodu společnost zavedla postupy pro vybrané kroky zpracování založené na strojovém učení, tedy doporučení pro akci, například výběrem parametrů. Doporučení zatím nejsou implementována autonomně, protože je nejprve kontroluje pracovník výroby. Stav interních a externích dodavatelských řetězců je potom nově predikován a zohledňován při řízení výroby.

Navazujícím krokem, který společnost teprve čeká, bude autonomní rozhodování. Například výsledky kontroly kvality by měly v případě potřeby spustit dynamickou, nezávislou a mezisystémovou úpravu parametrů. Zejména pokud jde o svařování, má smysl aplikovat strojové učení na předchozí procesní kroky, a dokonce i na celý výrobní proces. Pro optimální využití vstupního materiálu plánuje společnost implementovat inteligentní napojení na systém skladového hospodářství a příchozích objednávek.

Stejně jako u většiny ostatních výrobních podniků, má tato společnost před sebou ještě dlouhou cestu k dosažení vize plně autonomní výroby. Popsaný holistický přístup však zajišťuje, že na této cestě jde správným směrem.

Matthias Roese Matthias Roese
Autor článku působí na pozici Global Account Director ve společnosti Hewlett Packard Enterprise.

Kalendář akcí
Konference - Semináře - Školení
Časopis IT Systems/Speciál
Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Archív časopisu IT Systems
IT Systems 1-2 IT Systems 12 IT Systems 11 IT Systems 10
Archív časopisu IT Systems Special
Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1 Aktuální číslo časopisu příloha #1